实验课1-定量遥感--植被覆盖度反演资料
植被指数遥感反演研究
植被指数遥感反演研究植被指数遥感反演是指利用遥感技术来获取植被指数信息的研究。
植被指数是一种用于评估植被覆盖状况和生长状况的指标，常用的植被指数有归一化植被指数（NDVI）、归一化差异植被指数（NDVI）、简化植被指数（EVI）等。
遥感技术是指通过利用传感器对地球表面进行观测，获取地球表面特征信息的一种技术。
遥感技术的发展使得人们可以从卫星、飞机等遥远距离上获取地球表面的影像数据，进而解决一系列的环境和资源问题。
而植被指数遥感反演研究则是利用遥感数据中的植被光谱信息，量化地表植被指数，从而达到对植被生长状况的评估和监测的目的。
植被指数遥感反演研究是一个多学科的研究领域，涉及植物生理学、光谱学、遥感科学等多个学科的交叉。
通过分析植被光谱反射特征，结合物理模型和数学统计方法，可以获取植被表面的光谱信息，从而推算出植被指数。
植被指数一般可以分为长波红外和可见光区域计算的，其中NDVI是最常用的植被指数之一植被指数遥感反演不仅可以用于评估植被覆盖状况，还可以用于监测植被的生长状况和进行植被变化分析。
例如，可以利用植被指数遥感反演技术来研究植被对气候变化的响应，评估植被对干旱、洪涝等自然灾害的影响，以及了解植被退化和生态恢复等情况。
植被指数遥感反演研究已经得到广泛应用。
例如，在农业领域，可以利用植被指数遥感反演监测农作物生长状况，预测农作物产量，进行农业资源管理和灾害风险评估。
在环境保护方面，植被指数遥感反演可以用来监测森林覆盖率、湿地变化和土地退化等情况，为环境保护决策提供科学依据。
此外，植被指数遥感反演还可以用于城市绿化监测、自然保护区管理等方面。
然而，植被指数遥感反演研究面临一些挑战。
首先，不同植被类型对光谱的反射特征存在差异，因此需要建立针对不同植被类型的反演模型。
其次，由于遥感数据的受云、阴影和大气等因素的影响，可能会导致植被指数的误差增大。
因此，在反演过程中，需要考虑这些影响因素，并进行预处理和校正。
遥感技术在环境监测中的植被覆盖分析方法
遥感技术在环境监测中的植被覆盖分析方法遥感技术是一种通过获取和解释遥感图像数据来获取地球表面信息的方法。
在环境监测中，遥感技术可以用于植被覆盖分析，以评估植被的分布、健康状况和变化趋势。
本文将介绍遥感技术在环境监测中的植被覆盖分析方法。
植被覆盖是指地表被植物覆盖的程度。
植被覆盖分析对于评估生态系统的健康状况、监测土地利用和土地覆盖变化等具有重要作用。
遥感技术通过获取地表反射或辐射数据，可以提供大面积、连续性和定量化的植被信息，从而实现植被覆盖的分析。
首先，常用的遥感数据源包括卫星和航空遥感图像。
这些图像记录了地球表面的辐射能量，可以通过不同波段的信息来分析植被覆盖情况。
其中，可见光、红外和热红外波段的数据特别有助于植被覆盖分析。
其次，植被指数是植被覆盖分析中常用的量化指标。
植被指数利用不同波段的光谱反射特征，通过计算公式来估计植被的生长情况。
其中，最常用的植被指数是归一化植被指数（NDVI）和修正型归一化植被指数（EVI）。
这些指数可以通过计算地表图像中的红光和近红外波段的反射率差异得出，从而提供植被覆盖的信息。
此外，植被分类也是植被覆盖分析的重要步骤。
植被分类是将遥感图像中的像元分成不同的植被类型，以获得更详细的植被覆盖信息。
常用的分类方法包括监督分类和非监督分类。
监督分类需要提供训练样本，通过计算像元与训练样本之间的相似度来进行分类。
非监督分类不需要提前提供训练样本，它通过对图像中的像元进行聚类分析来实现分类。
此外，在植被覆盖分析中，还可以利用时序遥感数据来监测植被的变化趋势。
时序遥感数据记录了多个时间点的地表信息，可以对不同时间段的植被变化进行对比和分析。
通过比较不同时间点的植被指数或植被分类结果，可以了解植被的增长、凋落、干扰和恢复情况。
除了上述方法，还有许多其他的遥感技术可以用于植被覆盖分析。
例如，通过高空间分辨率的遥感图像可以获取更详细的植被信息；通过合成孔径雷达（SAR）遥感可以在夜间和云层遮挡的情况下获取植被信息；通过利用光谱库和多光谱图像可以实现更精确的植被识别和提取等。
反演植被含量
课程名称：定量遥感
实验名称反演植被指数
【实验名称】反演植被指数
【实验目的】通过NDVI反演植被指数
【实验内容】
1.打开已经经过FLAASH大气校正的遥感影像
波段计算归一化植被指数NDVI(705)
2.在主菜单中选择Basic Tools，Band Math，输入计算公式（float(b1)-float(b2)）/
（float(b1)+float(b2)）,点击OK，b1选择波段中心值为750左右的波段，b2选择波段中心值为705左右的波段，选择输出文件夹，输入名称NDVI
掩膜，将非植被部分掩膜
3.在影像菜单中选择Tools,Build Mask，在新弹出菜单中选择Options,Import Data Range,选择NDVI文件，Data Min V alue为0.25，Data Max Value为1，选择输出文件夹，输入名称掩膜
4.在主菜单中选择Basic Tools,Masking,Apply Mask,在新菜单中选择NDVI，Select Mask Band
中选择掩膜，点击OK，选择输出文件夹，文件名掩膜结果
波段计算反演植被指数
5. 主菜单中选择Basic Tools ，Band Math ，输入计算公式0.188*exp(4.48*b3),点击OK ，b3选择掩膜结果，选择输出文件夹，输出名称为反演结果
【实验体会】
【老师打分与签名】。
遥感生物量反演反演原理-概述说明以及解释
遥感生物量反演反演原理-概述说明以及解释1.引言1.1 概述遥感生物量反演是利用遥感技术对地表物质进行监测与测量，通过反演算法来估算生物量密度的一种方法。
在生态环境监测、资源管理和气候变化研究等领域具有重要的应用价值。
本文旨在探讨遥感生物量反演的原理及其在环境研究中的应用，以期为相关研究提供参考和借鉴。
遥感技术为生物量反演提供了全新的视角和手段，可以实现对辽阔地域范围内生物量的遥感监测和评估。
通过对地表反射、辐射和散射数据的提取和分析，结合地面实测数据和数学模型，可以精确地反演出不同植被类型的生物量分布情况。
这种非接触式的监测方法极大地提高了生物量反演的效率和精度，同时也为科学研究和资源管理提供了更加便捷的工具和手段。
在未来的发展中，随着遥感技术的不断创新和完善，遥感生物量反演将更加深入到生态环境监测、碳汇评估和气候变化研究等领域。
同时，对于生物量反演算法和模型的进一步优化和改进也将成为未来研究的重点之一。
希望通过本文的探讨和总结，可以为遥感生物量反演的研究和应用提供一定的参考和指导。
1.2 文章结构:本文将分为三个主要部分，即引言、正文和结论。
在引言部分，将对遥感生物量反演的概念进行概述，介绍文章的结构和目的。
在正文部分，将从遥感技术的概述开始，然后详细解释生物量反演的原理，最后探讨其应用与发展。
在结论部分，将总结生物量反演的原理，讨论其实际应用意义，并展望未来的发展方向。
通过这三个主要部分的论述，读者可以全面了解遥感生物量反演的反演原理及其在现实中的应用和未来的发展前景。
1.3 目的目的部分的内容：本文旨在深入探讨遥感生物量反演的反演原理，通过对遥感技术和生物量反演的基本概念进行介绍，进一步阐述生物量反演原理的相关理论与方法。
同时，通过对该技术在实际应用和发展趋势进行分析，探讨生物量反演在资源监测、环境保护和生态研究等领域的潜在意义。
最终，通过总结反演原理及其实际应用意义，展望未来遥感生物量反演技术的发展方向，为相关领域的研究提供参考和借鉴。
遥感实习报告植被覆盖率
一、实习目的本次遥感实习旨在通过学习遥感技术，掌握遥感图像处理与分析的方法，了解植被覆盖率的遥感反演技术，并运用所学知识对实习区域的植被覆盖率进行定量分析和评价。
二、实习内容1. 遥感图像数据获取本次实习所使用的遥感图像数据为Landsat 8 OLI/TIRS影像，时间范围为2018年7月15日，空间分辨率为30米。
数据来源于美国地质调查局（USGS）的地球观测系统数据和信息（EOSDIS）。
2. 遥感图像预处理（1）辐射校正：对遥感图像进行辐射校正，消除传感器辐射响应误差和大气影响，使图像数据更加真实。
（2）几何校正：对遥感图像进行几何校正，消除图像畸变，使图像与实际地面位置一致。
（3）波段组合：将遥感图像的可见光、近红外、短波红外等波段进行组合，提高图像信息含量。
3. 植被覆盖率反演（1）选择植被指数：选取适合植被覆盖度反演的植被指数，如归一化植被指数（NDVI）、植被指数（VI）等。
（2）植被指数计算：根据遥感图像数据，计算所选植被指数。
（3）植被覆盖率反演：利用植被指数与植被覆盖率之间的相关性，建立植被指数与植被覆盖率的反演模型，对植被覆盖率进行反演。
4. 植被覆盖率评价（1）统计分析：对反演得到的植被覆盖率进行统计分析，如计算平均值、标准差等。
（2）空间分布分析：分析植被覆盖率在空间上的分布规律，识别植被覆盖度较高的区域。
（3）对比分析：将反演得到的植被覆盖率与实地调查数据进行对比，验证反演结果的准确性。
三、实习结果与分析1. 植被覆盖率反演结果通过遥感图像处理与植被覆盖率反演，得到实习区域的植被覆盖率分布图。
结果显示，实习区域植被覆盖率总体较高，大部分区域植被覆盖率在70%以上。
2. 植被覆盖率评价（1）统计分析：实习区域植被覆盖率平均值为75.6%，标准差为15.3%。
这表明实习区域植被覆盖率总体较高，但存在一定的差异。
（2）空间分布分析：植被覆盖率在空间上呈现明显的地域性差异，山区植被覆盖率较高，平原地区植被覆盖率相对较低。
实验课1-定量遥感--植被覆盖度反演
说明文档中会注明是经过辐射校正的，其实这个辐射校正指的是粗的辐射校
正，只是做了系统大气校正，就跟系统几何校正的意义是一样的。
实验一 植被覆盖度的遥感反演
(二) 植被覆盖度的计算 1、计算NDVI 2、确定NDVIv和NDVI0值
在 Availabel Bands List 窗口中右键点击NDVI 数据，在弹 出的右键菜单中选择 Quick Stats，对NDVI 数据进行统计分析，
方法二：(两种方法都要做)
（1）主菜单Basic Tools > Band Math，在波段运算 窗口输入植被覆盖度计算公式：
(b1-NDVI0)/(NDVIv- NDVI0) ，将变量 b1 赋给 NDVI 。
计算得到初步结果，但是并没有完成整个工作。因为 该结果中有 5% 像元的 NDVI 值小于 NDVI0 ，这部分像元的 植被覆盖度计算结果为负值，需要通过掩膜操作将这部 分像元的植被覆盖度值修改为0；同样需要将5%NDVI值大 于0.425 的像元植被覆盖度值修改为1。
• • • 当NDVI小于NDVI0 ， fv取值为0； NDVI大于NDVIv ， fv取值为1； 介于两者之间的像元使用公式（1）计算。
利用ENVI主菜单->Basic Tools->Band Math，在公式 输入栏中输入进行计算.
请回顾ENVI中公式的写法
实验一 植被覆盖度的遥感反演
◦ 3、计算植被覆盖度
实验一 植被覆盖度的遥感反演
（3）然后类似操作将NDVI 值大于0.425 的像元植被覆盖 度值修改为1，设为1。 最终得到一个单波段的植被覆盖度图像文件，其像元值表 示这个像元内的平均植被覆盖度。 （4）对上述求取的植被覆盖度进行假彩色密度分割。
定量遥感实习三 植被冠层反射率模型
实习三 植被冠层反射率模型一、实习目的学习和掌握叶片反射率模型PROSPECT 和冠层反射率模型Sail 的使用。
二、实习内容（1）熟悉Prospect 和Sail 模型的输入参数和输出结果；（2）利用实测数据进行叶片反射率和冠层二向反射率的模拟； （3）利用模型进行一些基本原理的验证。
三、实习步骤 （1）叶片反射率1、安装WinSail 程序，打开Prospect ，点击Options ——Winsail (multiple wavelength ) generation mode ，波长范围为400——2400nm ，所以在Lower wavelength 中输入400，在Upper wavelength 中输入2400，wavelength increment （波长间隔）中输入5，叶片叶肉结构Leaf mesophyll structure index ，输入1.3。
2、利用Prospect 模型分别模拟苜蓿、莴苣、玉米、向日葵和水稻五种作物的叶片反射率和透射率。
分别在Chlorophyll content （叶绿素含量）、Water content （含水量）、Dry matter content （干物质）中输入5中作物对应的参数，最后点击Calculate multiple Rf/Tr values (%)，得出各自的运行结果。
3、将五组数据导入到excel 表格中，每组数据对应两个数值，即叶片反射率Ref 和透射率Tr ，将透射率删除，插入图表，绘制各作物的叶片反射率光谱曲线，横轴表示波长，纵轴表示反射率，光谱曲线如下图所示：5种作物叶片反射率010203040504008001200160020002400波长（nm）反射率苜蓿Ref 莴苣Ref 向日葵Ref 玉米Ref 水稻Ref（2）冠层反射率1、运行Winsail 程序，分别输入太阳赤纬、纬度等相关参数，在Leaf Reflectance/Transmittance 中导入刚刚利用Prospect 求出的各作物的叶片反射率，Background Spectrum 选择SOIL_SAIL ，Background reflectance 选择rsoil.dat ，最后点击运行。
植被覆盖度遥感反演研究
植被覆盖度遥感反演研究植被覆盖度是指一定面积内植被所占的比例，是评估地表生态环境和气候变化的重要指标。
传统的植被调查方法需要大量的人力物力，且成本高，限制了其应用范围。
遥感技术的出现，使得基于遥感数据的植被覆盖度反演成为可能，为生态环境和气候变化研究提供了重要的手段。
本文将探讨植被覆盖度遥感反演研究的方法和应用。
植被覆盖度遥感反演的方法有多种，如高光谱遥感反演、主成分分析遥感反演、归一化差值植被指数（NDVI）反演等。
其中，NDVI方法是应用最广泛的一种方法。
NDVI在可见光和近红外波段反映植被叶绿素含量和植被覆盖度。
植被叶绿素是光合作用中的重要成分，当植被覆盖度增加时，植被叶绿素含量也会增加，因此NDVI值也会增加。
NDVI方法的反演准确性较高，适用于不同尺度和时间尺度的研究。
植被覆盖度遥感反演的应用涵盖环境生态、农业生产、荒漠化治理、城市化规划等多个领域。
以生态环境为例，植被覆盖度是评估生态环境质量和植被类型特征的重要指标。
借助遥感技术，可以实现对大范围、多时段的植被覆盖度监测和评估，为自然保护和生态修复提供科学依据。
在荒漠化治理方面，植被覆盖度反演可以为荒漠化治理提供地面覆盖度和植被生产力等信息，进而指导荒漠化治理和生态恢复。
在农业生产方面，植被覆盖度反演可以为农业生产提供田间植被信息，提高农作物生产的效率，促进可持续农业发展。
除此之外，植被覆盖度遥感反演还具有大数据分析能力和智能化应用的发展潜力。
随着遥感数据分辨率的不断提高和信息获取能力的增强，植被覆盖度反演将更加精准。
同时，基于机器学习和人工智能算法的植被覆盖度反演也在逐步发展，将开拓更广阔的应用空间。
例如，能够自动识别植被类型、提升遥感图像解译精度、辅助研究广泛分布的植被样地等。
虽然植被覆盖度遥感反演技术已经相对成熟，但在实际应用过程中还存在一些挑战。
首先，植被覆盖度遥感反演需要考虑到地表物体的光谱响应与大气辐射影响，因此需要进行大气校正等数据预处理。
植被覆盖地表土壤水分遥感反演
植被覆盖地表土壤水分遥感反演一、概述植被覆盖地表土壤水分遥感反演是当前遥感科学与农业科学交叉领域的重要研究方向。
随着遥感技术的不断进步，利用遥感手段对植被覆盖地表下的土壤水分进行反演，已经成为监测土壤水分动态变化的有效手段。
本文旨在深入探讨植被覆盖地表土壤水分遥感反演的基本原理、方法进展及实际应用，以期为相关领域的研究和实践提供有益的参考。
植被覆盖地表土壤水分遥感反演的基本原理在于，通过遥感传感器获取地表植被和土壤的综合信息，进而利用特定的反演算法提取出土壤水分含量。
这一过程中，植被覆盖对遥感信号的影响不可忽视，如何有效去除植被覆盖的影响，成为植被覆盖地表土壤水分遥感反演的关键问题。
在方法进展方面，近年来国内外学者提出了多种植被覆盖地表土壤水分遥感反演方法，包括基于植被指数的反演方法、基于热惯量的反演方法、基于微波遥感的反演方法等。
这些方法各有特点，适用于不同的研究区域和植被类型。
随着深度学习等人工智能技术的快速发展，其在植被覆盖地表土壤水分遥感反演中的应用也逐渐受到关注。
在实际应用方面，植被覆盖地表土壤水分遥感反演在农业、生态、环境等领域具有广泛的应用前景。
通过实时监测土壤水分状况，可以为农业生产提供科学的灌溉指导，提高水资源的利用效率也可以为生态环境监测和评估提供重要的数据支持，有助于维护生态平衡和可持续发展。
植被覆盖地表土壤水分遥感反演是一项具有重要意义的研究工作。
随着遥感技术的不断进步和反演算法的不断优化，相信这一领域的研究将会取得更加丰硕的成果。
1. 背景介绍：植被覆盖地表土壤水分的重要性及其在农业、生态和环境监测中的应用。
植被覆盖地表的土壤水分是地球水循环的重要组成部分，它直接影响着植被的生长和生态系统的平衡。
在农业领域，土壤水分是作物生长的关键因素之一，其含量和分布直接影响着作物的产量和品质。
准确获取植被覆盖地表的土壤水分信息，对于指导农业生产、优化水资源管理具有重要意义。
在生态方面，土壤水分与植被覆盖度之间存在着密切的相互作用关系。
LAI与FAPAR反演-定量遥感 ppt课件
FAPAR
(
I TOC
I Ground
I Ground
I TOC
)
/
I TOC
ppt课件
4
4
在PAR区间叶绿素a、 叶绿素b和类胡萝卜素 的吸收率和总光合作用 效率
55
2. FAPAR野外测量
SUNSCAN冠层分析系统（SUNSCAN Canopy Analysis System）
FAPAR=1.21×NDVI-0.04 FAPAR=1.67×NDVI-0.08
FAPAR=0.105(0.323×NDVI)+(1.168×ND
VI2) FAPAR=3.257×SAVI-0.07
FAPAR=0.846×NDVI-0.08
FAPAR=1.723×MSAVI0.137
FAPAR=2.213×(ΔMSAVI)**
通过遥感方式可以获取植被FAPAR。随着遥感传感器分 辨率的多样化，遥感可以提供更广泛空间区域和时间范围 的FAPAR产品。
ppt课件
3
3
基本概念
PAR（photosynthetically Active Radiation），光合有效辐射，指陆地植 被光合作用所能吸收的从400到700 nm的太阳光谱能量。
算法
R2 取得经验值方法
植被类型
参考文献
FAPAR=1.2×NDVI-0.18
0.974
PAR 测量 春小麦，生长阶段
Hatfield et al.,1984
FAPAR=0.6(2.2×NDVI)+(2.9×NDVI2)
-
PAR 测量
玉米，生长阶段
基于遥感技术的植被覆盖度监测及变化分析
基于遥感技术的植被覆盖度监测及变化分析随着人类社会的发展，城市化的进程不断加速，随之而来的是城市化对自然环境的不良影响，这也反过来催生了植被覆盖度的需要。
植被覆盖度是指某一区域内植被覆盖的比例。
它在环境保护和自然资源管理中拥有重要的地位。
遥感技术在植被覆盖度监测及变化分析方面发挥着重要作用，成为一个研究热点。
本文将从遥感技术的角度来介绍植被覆盖度监测及变化分析的方法。
一、遥感技术简介遥感技术是指利用遥感卫星获取的遥感影像数据，进行地理信息提取的一种技术。
它可以获取大范围、高分辨率、长时间序列的地表信息，并在空间上进行遥感影像的分析与处理。
因此，遥感技术已经成为了环境科学、地理学、林业学等领域的重要工具。
二、植被覆盖度的定义与分类植被覆盖度是指某一区域内植被覆盖的比例。
一般来说，植被覆盖度可以分为四个等级：覆盖度小于20%为无植被，覆盖度在20%~40%之间为极度贫瘠地区，覆盖度在40%~60%之间为贫瘠地区，覆盖度在60%以上为丰富地区。
三、植被覆盖度监测的原理植被覆盖度的监测可以使用遥感技术中的植被指数。
通过对遥感影像数据进行处理，可以得到植被指数的数值。
植被指数的数值范围一般在-1到1之间，其中1表示所有像元都是植被，-1则表示所有像元都是非植被。
因此，通过植被指数的计算可以得到植被覆盖度的相对值。
四、植被覆盖度变化分析植被覆盖度的变化分析一般使用多期遥感影像进行比对。
这种方法可以直观地反映出植被覆盖度的变化情况。
一般来说，植被覆盖度的变化可分为以下几类：1. 持续增加：某一地区的植被覆盖度在多个时期内都呈现上升趋势，这可能是由于地区环境得到改善或者植被恢复的原因。
2. 持续下降：某一地区的植被覆盖度在多个时期内都呈现下降趋势，这可能是由于气候变化、自然灾害等原因导致。
3. 下降后上升：某一地区的植被覆盖度在前期下降但后期上升，这可能是由于人类活动、政策调整或者自然恢复等原因所致。
4. 上升后下降：某一地区的植被覆盖度在前期上升但后期下降，这可能是由于人类活动、自然灾害等原因所致。
遥感实习报告植被覆盖率
实习报告一、实习背景与目的作为一名遥感专业的学生，我深知植被覆盖率在生态环境保护和资源管理中的重要性。
为了提高自己在植被覆盖率遥感监测方面的实践能力，我参加了为期一个月的遥感实习。
本次实习的主要目的是学习植被覆盖率的遥感监测方法，掌握遥感软件的操作技巧，并对实际数据进行处理和分析。
二、实习内容与过程1. 实习前的准备在实习开始前，我认真学习了遥感基本原理、遥感数据类型及植被覆盖率遥感监测的相关知识，为实习打下了坚实的基础。
2. 实习过程实习过程中，我主要进行了以下几个方面的学习与实践：（1）遥感数据的获取与处理：我学会了从遥感卫星数据共享平台下载所需的数据，并掌握了ENVI、ArcGIS等遥感软件的基本操作方法。
（2）植被覆盖率遥感监测方法的学习：我了解了植被覆盖率遥感监测的常用方法，包括归一化植被指数（NDVI）、植被条件指数（VCI）和植被健康指数（VHI）等。
（3）实际数据处理与分析：我以我国某地区为研究区域，利用遥感数据进行了植被覆盖率的监测。
通过对数据的处理与分析，我得出了该地区的植被覆盖率状况，并对其进行了评估。
3. 实习成果通过实习，我完成了对该地区植被覆盖率的遥感监测，并得出了以下结论：（1）该地区的植被覆盖率整体较好，但存在一定的区域差异。
（2）植被覆盖率较高的区域主要分布在山区和丘陵地带，而平原地区的植被覆盖率相对较低。
（3）人类活动对植被覆盖率有一定的影响，如城市化进程中的土地利用变化等。
三、实习总结与展望通过本次实习，我不仅提高了自己在植被覆盖率遥感监测方面的实践能力，还加深了对遥感原理和软件操作的理解。
然而，实习过程中我也发现了自己在数据处理和分析方面的不足，今后还需加强学习和实践。
展望未来，我将继续深入学习遥感相关知识，提高自己的专业素养。
同时，我将积极参与实际项目，将所学知识运用到实践中，为我国的生态环境保护和资源管理贡献自己的力量。
定量遥感-第四章植被定量遥感模型-2
6
§4.3.1 植被辐射传输中常用参数
(1) 叶面积密度分布
对于叶面积密度分布，存在：
H
0
u L ( z )dz L0
式中积分上限H为植被冠层深度，z的取向向下（即 z=0为植被上界，z=H为植被下界），L0为叶面积指数（无
1/27
《定量遥感》
第四章
植被定量遥感模型
武汉大学遥感信息工程学院 龚 龑
第四章 植被定量遥感模型 §4.1 冠层反射率模型概述
§4.2 冠层反射率几何光学模型
§4.3 植被辐射传输模型 §4.3.1 植被辐射传输中常用参数 §4.3.2 植被辐射传输方程及解 §4.3.3 辐射传输模型改进
2
§4.3.1 植被辐射传输中常用参数
此即用叶面积密度分布、G函数和函数作为参数 的植被辐射传输方程。
25
§4.3.2 植被辐射传输方程及解
2.植被辐射传输方程形式
I ( z , ) 1 G( z , )I( z , ) uL (z ) z
4
I( z , ' )( z , ' ) d
1.叶片与辐射传输
植被中主要的光合组织是叶片，辐射在植被中 进行传输时，更多地是与叶片发生相互作用而改变 辐射特性，因而在本节的讨论范畴内，仅限于叶片 对辐射传输的影响。 叶片的物理特性包括叶片尺度、叶片取向、叶 表面粗糙度以及叶片光学性质（如反射率、透过率 和吸收率）等。
3
§4.3.1 植被辐射传输中常用参数
若叶片存在双半球散射特征，则群体散射相函数为：
定量遥感
植被指数类型
• 1、比值植被指数（Ratio Vegetation Index——RVI） •
RVI
RED
NIR
• 其中： NIR 和 RED 代表近红外波段和红光波段的反射率 的值介于 -1和1之间。
• 该植被指数能够充分表现植被在红光和近红外波段反射 率的差异，能增强植被与土壤背景之间的辐射差异。
1．绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖 的地面（裸土、人工建筑、水体、植被枯死或严重虫害） 的RVI在1附近。植被的RVI通常大于2； 2．RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量 (DM)、叶绿素含量相关性高，可用于检测和估算植物生物 量 3．植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植 被十分敏感；当植被覆盖度<50%时，这种敏感性显着降 低； 4．RVI对大气状况很敏感，而且当植被覆盖小于50%时， 它的分辨能力显著下降。只有在植被覆盖浓密的情况下效 果最好。大气效应大大降低对植被检测的灵敏度，所以在 计算前需要进行大气校正，或用反射率计算RVI。
• 6、土壤调整植被指数（Soil-Adjusted Vegetation Index— —SAVI） • NIR RED SAVI (1 L) NIR RED L • 其中，L是一个土壤调节系数，该系数与植被浓度有关， 由实际区域条件确定，用来减小植被指数对不同土壤反 射变化的敏感性。当L=0是，SAVI就是NDVI；对于中等植 被覆盖区，L的值一般接近于0.5。乘法因子（1+L）主要 是用来保证最后的SAVI值介于-1和1之间。该指数能够降 低土壤背景的影响，但可能丢失部分植被信号，使植被 指数偏低。
植被指数
植被指数定义
• 植被指数（Vegetation Index) 利用卫星不同波段探测数据组合而成的，能反映植物生长 状况的指数。植物叶面在可见光红光波段有很强的吸收特 性，在近红外波段有很强的反射特性。 植被指数主要是反映植被在可见光、近红外反射与土壤背 景之间差异的指标，这是植被遥感监测的物理基础，通过 这两个波段测值的不同组合可得到不同的植被指数。
植被覆盖度遥感监测研究
植被覆盖度遥感监测研究一、绪论随着人类活动的不断扩张，自然环境遭到了越来越严重的破坏。
其中，植被覆盖度的变化直接反映了人类活动对自然环境的影响程度。
因此，对植被覆盖度进行遥感监测，对于掌握生态保护与可持续发展的相关信息具有重要的意义。
二、植被覆盖度的遥感监测1.植被覆盖度的概念植被覆盖度是指在某一土地面积上被植被所覆盖的面积与该土地面积之比，通常以百分数表示。
2.植被覆盖度的遥感监测方法（1）常规遥感监测方法常规的遥感监测方法主要是利用卫星遥感影像，对其进行数字处理、图像提取等技术，从而得到植被覆盖度等相关信息。
（2）高光谱遥感监测方法高光谱遥感技术可以获取更为详细的信息，因此在植被覆盖度监测中，也被广泛应用。
通过高光谱遥感图像的分析，可以得到植被覆盖度、类型、健康状况等信息。
（3）激光遥感监测方法激光遥感技术可以获取高精度的地形信息和植被高度信息，因此通过激光遥感数据可以得到植被覆盖度等更加详细的信息。
三、植被覆盖度遥感监测的应用实例1.生态环境监测植被覆盖度是生态环境质量的重要指标之一。
利用植被覆盖度的遥感监测方法，可以及时掌握地表植被的生长状况和变化情况，为生态环境保护提供科学依据。
2.农业生产监测农业生产对于植被的要求相对较高，因此植被覆盖度的监测对于农业生产的发展具有重要的作用。
利用植被覆盖度监测技术，可以实时掌握农田植被的生长状态，为农业生产提供精准的决策支持。
3.土地利用评价植被覆盖度是土地利用评价的重要指标之一。
利用植被覆盖度的遥感监测方法，可以准确地评价土地的利用状况和变化情况，为土地利用规划提供重要的参考。
4.自然灾害监测和预警植被覆盖度的变化可以反映自然灾害的发生和进展情况。
通过监测植被覆盖度的变化，可以及时发现自然灾害的迹象，提前预警和采取防范措施。
四、植被覆盖度遥感监测存在的问题和挑战1.地面不同类型植被的识别问题不同类型的植被在遥感图像中表现不同，因此需要针对不同类型的植被，对遥感图像进行不同的识别和处理。
植被覆盖度反演
题目：植被遥感监测具有很长的历史，植被遥感中植被覆盖反演是主要内容之一，线性分解模型是混合像元分解法的一种，根据混合像元分解及线性分解模型的原理，利用红碱淖2016年6月17日Landsat8 OLI数据，求取研究区植被覆盖度（写出详细计算过程和步骤）。
一、操作思路：端元代表影像中的纯净像元，求取植被覆盖度即求取端元的丰度，因此采用混合像元分解及线性分解模型进行混合像元分解，得到端元以及相应的丰度影像，即为植被覆盖度影像。
二、操作步骤：1.影像预处理由于操作时间的限制和硬件设备的不允许，将影像选取一定的区域进行裁剪，感兴趣区域为roi1文件，得到裁剪后影像2016new文件，导入影像，进行影像的预处理，包括辐射定标和大气校正步骤，辐射定标采用Radiometric Calibration工具，大气校正采用FLAASH工具，分别得到辐射定标结果2016_rad1和2016_ref文件。
变换采用MNF变换工具，可将数据波段进行“降维”，提取出有用信息集中的波段，去除噪声信息集中的波段，利用Forward MNF Estimate Noise Statistic 将数据进行MNF变换，得到MNF变换结果2016_MNF和噪声文件MNF_Noise和统计文件MNF_Statistic文件。
变换纯净像元指数法指像元被标记为纯净像元的次数，可以将混合像元进行分解，有效的提取出端元。
由于操作时间的限制和硬件设备的不允许，将MNF变换后影像与原影像选取一定的同样区域进行裁剪，感兴趣区域选择ROI2文件，得到裁剪结果为2016_MNF_sub和2016new_sub文件。
在MNF变换后发现有用信息集中在1、2、3波段，因此利用Pixel PurityIndex 工具，将MNF变换后影像选择1、2、3波段进行端元提取，阈值设为，操作的结果为2016_PPI文件。
维可视化利用N维可视化工具可以将端元更好的显示，有利于更加直观的确定端元，在N维可视化窗口中，选中1、2、3波段，在显示窗口中将较为集中的区域定为端元，进行类（class）的划定，一共确定三类，利用mean all工具将三类端元的波谱显示出来，并保存为波谱库2016_sli文件。
定量遥感-第四章植被定量遥感模型-3
R6,5
R5,3
/
2
Xpp (Xpp Xsm)
R7,5
R5,3
/
2
Xsm (Xpp Xsm)
15
§4.3.2 叶片反射率模型
1.随机模型
用矩阵P 表达上述过程及其间相互关系，则
0 0 0 0 0 P 0 0 0 0 0
18
§4.3.2 叶片反射率模型
1.随机模型
R9,7=1-R8,7 R5,5=1-R4,5-R6,5-R7,5 R9,9=1-R3,9-R10,9-R8,9 R2,2=R4,4=R6,6=R8,8=R10,10=1 R3,1=1-R2,1 R10,9=0.12 R3,9=0.08 R2,1=0.01
其它未涉及到Rij 值均取“零”
随机模型模拟的黑枫树叶片 反射率与实测值比较
19
§4.3.2 叶片反射率模型
2.平板模型（plate model） 最初的平板模型是将叶片当作一个吸收板，具有朗伯表面。 所需的参数为一个折射指数和吸收系数。这个模型成功地用在 模拟紧密（没有空气和细胞间隔）的玉米叶片上。
并且可由式T21＝n-2T12或观测得到，代入T21的表达式：
R (1 T12 ) 2T122 (n 2 T12 ) /(n 4 2 (n 2 T12 ) 2 ) T n 2T122 /(n 4 2 (n 2 T12 ) 2 )
23
§4.3.2 叶片反射率模型
2.平板模型 n为两种介质的相对折射指数，τ为平板的透射系数；Tij为介 质i和j的界面的透射比。两个介质界面对入射角为α 立体角范围 内辐射的平均透射比，由下式给出：
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
背景：
随遥感技术的发展，遥感获取多时相、多尺度的 数据为大区域甚至全球尺度连续监测植被覆盖度提 供了可能。
由此而发展的估算植被覆盖度的方法也比较多， 其中应用最广的方法还是通过建立植被覆盖度与植 被指数(如NDVI)之间的关系来估算植被覆盖度。
植被覆盖度常用于植被变化、生态环境研究、水 土保持、气候等方面。
实验一 植被覆盖度的遥感反演
(二) 植被覆盖度的计算 1、计算NDVI 2、确定NDVIv和NDVI0值
在 Availabel Bands List 窗口中右键点击NDVI 数据，在弹 出的右键菜单中选择Quick Stats，对NDVI数据进行统计分析， 在统计结果窗口中可以看到NDVI的直方图和累计直方图。在 累计直方图中查找5%和95%频率对应的NDVI值作为NDVI最 小值和NDVI最大值，分别约为NDVI0和NDVIv。
实验一 植被覆盖度的遥感反演
（3）然后类似操作将NDVI 值大于0.425 的像元植被覆盖 度值修改为1，设为1。
最终得到一个单波段的植被覆盖度图像文件，其像元值表 示这个像元内的平均植被覆盖度。
（4）对上述求取的植被覆盖度进行假彩色密度分割。
(公式1）
NDVI为像元NDVI值，fv为像元的植被覆盖度，NDVIv和NDVI0分别 为植被覆盖部分和非植被覆盖部分的NDVI值。NDVIv和NDVI0这两个 参数值的确定是关键，将直接影响到植被覆盖度估算结果。
在实际工作中因缺少大面积地表实测数据作参考，以及不可避 免存在噪声，所以通常对NDVI 统计直方图给定置信区间，求该区间 内的最小和最大值来作为NDVI0和NDVIv值，或者取5%和95%频率的 NDVI 值作为NDVI0和NDVIv值。本实验中采取后一种取值方法。
实验一 植被覆盖度的遥感反演
四、实习步骤 (一)遥感影像预处理
包括大气校正、裁剪等。 我们需要定量反演或者获取地球信息、精确识别地物等，需要使用影像 上真实反映对太阳光的辐射情况，那么就需要做大气校正。我们购买的影像， 说明文档中会注明是经过辐射校正的，其实这个辐射校正指的是粗的辐射校 正，只是做了系统大气校正，就跟系统几何校正的意义是一样的。
•也有学者直接从研究区域的NDVI数据中选取最大值和最小值分 别作为纯植被和纯裸土的NDVI值(Xiao and Moody,200Байду номын сангаас) 。
像元二分模型因其形式简单而被广泛应用。
实验一 植被覆盖度的遥感反演
一、实习目的 根据Landsat TM数据计算植被覆盖度
二、原理与方法 根据NDVI采用像元二分二分法进行计算公式如下：
实验一 植被覆盖度的遥感反演
◦ 3、计算植被覆盖度 方法一：(两种方法都要做)
根据公式（1），我们可以将整个地区分为三个部 分：
• 当NDVI小于NDVI0 ， fv取值为0； • NDVI大于NDVIv ， fv取值为1； • 介于两者之间的像元使用公式（1）计算。 利用ENVI主菜单->Basic Tools->Band Math，在公式 输入栏中输入进行计算.
请回顾ENVI中公式的写法
实验一 植被覆盖度的遥感反演
◦ 3、计算植被覆盖度 方法二：(两种方法都要做)
（1）主菜单Basic Tools > Band Math，在波段运算 窗口输入植被覆盖度计算公式：
(b1-NDVI0)/(NDVIv- NDVI0)，将变量b1赋给NDVI。 计算得到初步结果，但是并没有完成整个工作。因为 该结果中有5%像元的NDVI值小于NDVI0，这部分像元的 植被覆盖度计算结果为负值，需要通过掩膜操作将这部 分像元的植被覆盖度值修改为0；同样需要将5%NDVI值大 于0.425 的像元植被覆盖度值修改为1。
实验一 植被覆盖度的遥感反演
（2）主菜单Basic Tools > Masking > Build Mask， 在掩膜定义窗口中设置掩膜生成条件为NDVI> NDVI0，生 成掩膜，该掩膜保留所有NDVI值大于NDVIv的像元。然 后Apply Mask，将掩膜应用于计算得到的植被覆盖度数 据，注意在Apply MaskParameters窗口中将Mask Value 设为0，这样可将所有掩掉的像元值修改为0。
即：
•fv为混合像元中植被所占像元的百分比即为植被覆盖度， •NDVI值为混合像元的NDVI； •NDVIv 和 NDVI0 分 别 为 植 被 覆 盖 部 分 和 非 植 被 覆 盖 部 分 的 NDVI值。
实验一 植被覆盖度的遥感反演
为了求解混合像元的植被覆盖度，需要确定出纯植被和纯 裸土的NDVI。
实验一 植被覆盖度的遥感反演
在线性像元分解模型中，最简单的模型假设像元只有植被 和非植被两部分构成。所得的光谱信息也只有这两个组分因子 线性合成。他们各自的面积在像元中所占的比率即为各因子的 权重，其中植被覆盖部分所占像元的百分比即为该像元的植 被覆盖度。
NDVI = fv*NDVIv + (1- fv)* NDVI0
但是NDVIv和NDVIs的确定是很困难而且存在很多不确定性， 因为它受土壤、植被类型以及叶绿素含量等的影响。
尽管如此，目前对于这两个参数的确定主要还是通过对吱 间和空间上的NDVI数据进行统计分析来获取。
•比如，通过对时间序列上的NDVI数据的统计分析，获得时间序 列上NDVI的最大值作为纯植被NDVI，而时间序列上的NDVI最小 值作为纯裸土的NDVI值(Gutman et al. , 1998, Zeng et al. ,2000)。
实验一 植被覆盖度的遥感反演
三、实习仪器与数据
（1）Landsat 8数据：LC81290392013110LGN01
仁寿县的县界*.shp文件 （2）根据自己的兴趣选择研究区，遥感影像以及矢量数据可以从网上获取。 数据来源：从网站下载免费数据，如：
◦ /data/ ◦ ◦ / 数据源请从（1）和（2）中任意选择一个。